本發(fā)明涉及一種超像素的概率因子tmf的sar圖像海岸線檢測(cè)算法，屬于海岸線檢測(cè)領(lǐng)域。
背景技術(shù)：
：在微波遙感中合成孔徑雷達(dá)sar(syntheticapertureradar)是一種主動(dòng)式微波探測(cè)器，利用合成孔徑原理，信號(hào)處理方法和脈沖壓縮技術(shù)，通過(guò)較小尺寸的真實(shí)天線孔徑合成較大的等效天線孔徑來(lái)成像。相對(duì)于光學(xué)成像，合成孔徑雷達(dá)具有全天候成像等優(yōu)勢(shì)，因而使得sar圖像在戰(zhàn)略目標(biāo)識(shí)別與探測(cè)，災(zāi)害控制，國(guó)土資源監(jiān)測(cè)，海域使用管理，地圖測(cè)繪，船艦?zāi)繕?biāo)識(shí)別等領(lǐng)域起到了重要的作用。近年來(lái)sar圖像在海域管理領(lǐng)域逐漸引起關(guān)注，其主要的問(wèn)題之一就是海岸線檢測(cè)問(wèn)題，由于長(zhǎng)時(shí)間江河泥沙堆積，填海造地等原因使得海岸線不斷發(fā)生變化，有效監(jiān)測(cè)海岸線的變化，對(duì)海域使用動(dòng)態(tài)監(jiān)測(cè)具有一定的實(shí)際意義。目前為止，海岸線檢測(cè)算法有了很大的發(fā)展。常見(jiàn)的用于海岸線檢測(cè)的方法有基于圖論的超像素分割算法、基于梯度上升的超像素形成算法、三重馬爾科夫隨機(jī)場(chǎng)、盡管目前馬爾科夫隨機(jī)場(chǎng)中最適合處理sar圖像分類與分割的一種方法，其優(yōu)勢(shì)主要體現(xiàn)在輔助場(chǎng)的引入能夠?qū)崿F(xiàn)將全局非平穩(wěn)的sar圖像轉(zhuǎn)化成一些局部平穩(wěn)的局部圖像，然后對(duì)局部平穩(wěn)的局部圖像再進(jìn)行處理。但是該方法主要還是基于像素角度加以考慮的，所以很容易受到相干斑噪聲的影響，時(shí)間復(fù)雜度較高，能夠利用的紋理信息較少，而且輔助場(chǎng)的初始化通過(guò)閾值實(shí)現(xiàn)，使得不夠準(zhǔn)確將對(duì)分割結(jié)果有較大的誤差，同時(shí)勢(shì)能函數(shù)僅僅考慮了中心像素和鄰域像素標(biāo)簽值和輔助場(chǎng)值之間的關(guān)系，忽略了鄰域像素和中心像素之間相似性的大小以及中心像素和鄰域像素之間的相對(duì)位置關(guān)系。技術(shù)實(shí)現(xiàn)要素：本發(fā)明針對(duì)以上問(wèn)題的提出，本發(fā)明提出一種基于gamma分布超像素算法和基于超像素tmf的sar圖像海岸線檢測(cè)算法，其特征在于包括如下步驟：s1：讀取圖像i，并輸入種子點(diǎn)數(shù)k；s2：根據(jù)輸入的種子點(diǎn)數(shù)k和圖像的大小確定種子點(diǎn)的位置以及每個(gè)種子點(diǎn)周圍搜索區(qū)域的大小；s3：在每一個(gè)種子點(diǎn)周圍選擇一個(gè)5像素×5像素的鄰域窗，計(jì)算鄰域窗內(nèi)每一個(gè)點(diǎn)子局部窗內(nèi)的均值作為當(dāng)前點(diǎn)的特征，對(duì)該特征通過(guò)聚類算法確定局部窗內(nèi)和中心點(diǎn)紋理特征很相似的點(diǎn)集c并計(jì)算相似點(diǎn)集c：其中，(x,y)表示局部窗內(nèi)像素點(diǎn)坐標(biāo)，i(x,y)表示局部窗內(nèi)像素點(diǎn)的像素值，w表示局部窗，n表示c中像素個(gè)數(shù)，μs(x,y)表示(x,y)位置像素局部窗內(nèi)的均值，表示c中每一個(gè)點(diǎn)的μs均值，σ表示的是局部窗內(nèi)均值的方差；s4：遍歷所述圖像，根據(jù)步驟s3計(jì)算出每一個(gè)鄰域點(diǎn)的特征，根據(jù)式計(jì)算di,j，最后通過(guò)比較di,j形成超像素；所述di,j其中，μi表示種子點(diǎn)i的均值，μj表示鄰域點(diǎn)j的均值，σi表示局部窗內(nèi)i的均值的方差，σj表示局部窗內(nèi)j的均值的方差其中xi表示中心點(diǎn)i的行坐標(biāo)，yi表示中心點(diǎn)i的列坐標(biāo)，xj表示鄰域點(diǎn)j的行坐標(biāo)，yj表示鄰域點(diǎn)j的列坐標(biāo)其中，m表示dci,j與dsi,j之間的權(quán)重系數(shù)；所述相鄰種子點(diǎn)之間的距離s其中，n表示圖像像素總數(shù)，k表示種子點(diǎn)數(shù)；s5：更新種子點(diǎn)的位置為每一類超像素中所包含的所有點(diǎn)位置的均值；s6：重復(fù)步驟s3-s5直到所述超像素的邊界不再發(fā)生變化，停止重復(fù)，輸出超像素圖像；s7：輸入所述超像素圖像，對(duì)所述超像素使用kmeans算法初始聚成2類，并將該聚類結(jié)果當(dāng)作初始的標(biāo)記場(chǎng)xsp，同時(shí)根據(jù)xsp初始化輔助場(chǎng)usp并計(jì)算勢(shì)能wsp(xsp,usp)；s8：更新標(biāo)記場(chǎng)xsp和輔助場(chǎng)usp，并通過(guò)icm算法和sg算法對(duì)參數(shù)集θ進(jìn)行更新：s9：重復(fù)步驟s7-s8直到標(biāo)記場(chǎng)不再發(fā)生變化為止，輸出海岸線結(jié)果。進(jìn)一步的，步驟s3中所述聚類算法：選取所述鄰域中任意兩個(gè)點(diǎn)作為中心點(diǎn)a和b，計(jì)算局部窗內(nèi)，每一個(gè)點(diǎn)到a和b兩個(gè)點(diǎn)的特征的差值的絕對(duì)值，當(dāng)點(diǎn)與點(diǎn)a的差值的絕對(duì)值小于與b的差值的絕對(duì)值，則當(dāng)前點(diǎn)與a點(diǎn)屬于同一類；當(dāng)點(diǎn)與點(diǎn)a的差值的絕對(duì)值大于與b的差值的絕對(duì)值，重復(fù)上述過(guò)程直到前后兩次所有點(diǎn)的類別不再發(fā)生變化為止，則形成對(duì)比度較大的兩類。進(jìn)一步的，所述勢(shì)能wsp(xsp,usp)：wsp(xsp,usp)＝∑αx(1-2δ(xs,xt))wedge(xs,xt)-(αuafcos+αub)(1-δ(xs,xt))wedge(xs,xt)其中，xs表示中心超像素s的標(biāo)簽，xt表示鄰域超像素t的標(biāo)簽，csp表示超像素勢(shì)團(tuán)集合，fcos表示兩向量之間夾角的余弦值，wedge(xs,xt)表示鄰域超像素t的權(quán)值，其表達(dá)式如下：其中，ls,t表示中心超像素s和鄰域超像素t公共邊界的長(zhǎng)度，ls表示中心超像素s的周長(zhǎng)。進(jìn)一步的，所述和其中，xsp表示超像素的標(biāo)記場(chǎng)，usp表示超像素的輔助場(chǎng)，wsp(xxp,usp)表示勢(shì)能函數(shù)，sp表示超像素的集合，l表示sar圖像的視數(shù)，isp表示超像素的值即超像素中所有像素值的均值，μi表示第i類超像素的均值。進(jìn)一步的，所述sg算法參數(shù)更新公式為：其中，q表示迭代的次數(shù)，a是一個(gè)常量控制迭代的次數(shù)，x0和u0表示初始的標(biāo)簽值和輔助場(chǎng)的值，xq+1和uq+1表示第q+1次迭代得到的標(biāo)簽值和輔助場(chǎng)的值，p表示的是參數(shù)集中的第p個(gè)參數(shù)，wf表示的是勢(shì)能函數(shù)，表示的是第q次參數(shù)的估計(jì)值。本發(fā)明的優(yōu)點(diǎn)在于：本發(fā)明在sar圖像海岸線檢測(cè)算法中提出了一種全新的tmf算法，能夠良好的解決中心像素和鄰域像素之間的相對(duì)位置關(guān)系的問(wèn)題，而解決前一問(wèn)題需要引入超像素方法，目前超像素方法容易受噪聲和邊緣影響使得在紋理區(qū)域和邊緣處形成超像素的邊緣貼合度較低。本發(fā)明提出的超像素算法，以解決這一問(wèn)題，最終本專利將兩個(gè)算法的優(yōu)點(diǎn)結(jié)合起來(lái)提出了基于超像素的tmf算法。附圖說(shuō)明為了更清楚的說(shuō)明本發(fā)明的實(shí)施例或現(xiàn)有技術(shù)的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖做一簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1為本發(fā)明的整體流程示意圖。圖2為本發(fā)明的海岸線檢測(cè)圖具體實(shí)施方式為使本發(fā)明的實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚完整的描述：如圖1所示的一種基于gamma分布超像素算法和基于超像素tmf的sar圖像海岸線檢測(cè)算法，包括如下步驟：s1：讀取圖像i，并輸入種子點(diǎn)數(shù)k；s2：根據(jù)輸入的種子點(diǎn)數(shù)k和圖像的大小確定種子點(diǎn)的位置及每個(gè)種子點(diǎn)周圍搜索區(qū)域的大小；s3：在每一個(gè)種子點(diǎn)周圍選擇一個(gè)5像素×5像素的鄰域窗，計(jì)算鄰域窗內(nèi)每一個(gè)點(diǎn)子局部窗內(nèi)的均值作為當(dāng)前點(diǎn)的特征，對(duì)該特征通過(guò)聚類算法確定局部窗內(nèi)和中心點(diǎn)紋理特征很相似的點(diǎn)集c并計(jì)算相似點(diǎn)集c：其中，(x,y)表示局部窗內(nèi)像素點(diǎn)坐標(biāo)，i(x,y)表示局部窗內(nèi)像素點(diǎn)的像素值，w表示局部窗，n表示c中像素個(gè)數(shù)，μs(x,y)表示(x,y)位置像素局部窗內(nèi)的均值，表示c中每一個(gè)點(diǎn)的μs均值，σ表示的是局部窗內(nèi)均值的方差；s4：遍歷圖像，根據(jù)步驟s3計(jì)算出每一個(gè)鄰域點(diǎn)的特征，根據(jù)式計(jì)算di,j，比較di,j形成超像素；在本實(shí)施方式中，其中，μi表示種子點(diǎn)i的均值，μj表示鄰域點(diǎn)j的均值，σi表示局部窗內(nèi)i的均值的方差，σj表示局部窗內(nèi)j的均值的方差其中xi表示中心點(diǎn)i的行坐標(biāo)，yi表示中心點(diǎn)i的列坐標(biāo)，xj表示鄰域點(diǎn)j的行坐標(biāo)，yj表示鄰域點(diǎn)j的列坐標(biāo)其中，m表示dci,j與dsi,j之間的權(quán)重系數(shù)，在本實(shí)施方式中ss5：更新種子點(diǎn)的位置為每一類超像素中所包含的所有點(diǎn)位置的均值；s6：重復(fù)步驟s3-s5直到超像素的邊界不再發(fā)生變化，停止重復(fù)，輸出超像素圖像；s7：輸入超像素圖像，對(duì)超像素使用kmeans算法初始聚成2類，并將該聚類結(jié)果當(dāng)作初始的標(biāo)記場(chǎng)xsp，同時(shí)根據(jù)xsp初始化輔助場(chǎng)usp并計(jì)算勢(shì)能wsp(xsp,usp)；s8：更新標(biāo)記場(chǎng)xsp和輔助場(chǎng)usp，并通過(guò)icm算法和sg算法對(duì)參數(shù)集θ進(jìn)行更新：s9：重復(fù)步驟s7-s8直到標(biāo)記場(chǎng)不再發(fā)生變化為止，輸出海岸線結(jié)果。作為優(yōu)選的實(shí)施方式，步驟s3中聚類算法：選取鄰域中任意兩個(gè)點(diǎn)作為中心點(diǎn)a和b，計(jì)算局部窗內(nèi)，每一個(gè)點(diǎn)到a和b兩個(gè)點(diǎn)的特征的差值的絕對(duì)值，當(dāng)點(diǎn)與點(diǎn)a的差值的絕對(duì)值小于與b的差值的絕對(duì)值，則當(dāng)前點(diǎn)與a點(diǎn)屬于同一類；當(dāng)點(diǎn)與點(diǎn)a的差值的絕對(duì)值大于與b的差值的絕對(duì)值，重復(fù)上述過(guò)程直到前后兩次所有點(diǎn)的類別不再發(fā)生變化為止，則形成對(duì)比度較大的兩類。可以理解為在其他實(shí)施方式中，步驟s3中計(jì)算局部窗內(nèi)的算法可以按照實(shí)際需要以及實(shí)際的精度需要決定。在本實(shí)施方式中，勢(shì)能wsp(xsp,usp)：wsp(xsp,usp)＝∑αx(1-2δ(xs,xt))wedge(xs,xt)-(αuafcos+αub)(1-δ(xs,xt))wedge(xs,xt)其中，xs表示中心超像素s的標(biāo)簽，xt表示鄰域超像素t的標(biāo)簽，csp表示超像素勢(shì)團(tuán)集合，fcos表示兩向量之間夾角的余弦值，wedge(xs,xt)表示鄰域超像素t的權(quán)值，其表達(dá)式如下：其中，ls,t表示中心超像素s和鄰域超像素t公共邊界的長(zhǎng)度，ls表示中心超像素s的周長(zhǎng)。在本實(shí)施方式中，和其中，xsp表示超像素的標(biāo)記場(chǎng)，usp表示超像素的輔助場(chǎng)，wsp(xxp,usp)表示勢(shì)能函數(shù)，sp表示超像素的集合，l表示sar圖像的視數(shù)，isp表示超像素的值即超像素中所有像素值的均值，μi表示第i類超像素的均值。在本實(shí)施方式中，sg算法參數(shù)更新公式為：其中，q表示迭代的次數(shù)，a是一個(gè)常量控制迭代的次數(shù)，x0和u0表示初始的標(biāo)簽值和輔助場(chǎng)的值，xq+1和uq+1表示第q+1次迭代得到的標(biāo)簽值和輔助場(chǎng)的值，p表示的是參數(shù)集中的第p個(gè)參數(shù)，wf表示的是勢(shì)能函數(shù)，表示的是第q次參數(shù)的估計(jì)值。實(shí)施例中的參數(shù)設(shè)置：設(shè)置envasat圖像的種子數(shù)分別為250，250，300，250，radarsat圖像的種子數(shù)k分別為250，250，300，300，terra圖像種子數(shù)k為100。與之間的權(quán)重系數(shù)為0.5，局部窗大小是，最大迭代次數(shù)為5次。的初始值為1，的值為0.6，的值為0.6，外迭代的迭代次數(shù)是10，內(nèi)迭代的迭代的迭代次數(shù)是10，用于判斷不再發(fā)生變化的門限值是0.0001。對(duì)比試驗(yàn)gmrf的參數(shù)設(shè)置如下：條件迭代模式的迭代次數(shù)為5，濾波窗的大小是。對(duì)比試驗(yàn)基于超像素的tmf的參數(shù)設(shè)置如下：envisat圖像的種子數(shù)為250，250，300，250，radarsat圖像的種子數(shù)k分別為250，250，300，300，terra圖像種子數(shù)為100。dc與ds之間的權(quán)重系數(shù)m為0.5，局部窗大小是3像素×3像素，最大迭代次數(shù)為5次。αx的初始值為1，αua的值為0.6，αub的值為0.6，外迭代的迭代次數(shù)是10，內(nèi)迭代的迭代的迭代次數(shù)是10，用于判斷不再發(fā)生變化的門限值是0.0001。實(shí)施例：對(duì)算法的性能的對(duì)比主要采用均方根誤差rmse和qa(overallaccuracy)作為精度分析指標(biāo)，首先進(jìn)行rmse對(duì)比，其計(jì)算公式如下：其中，rmse代表了手繪海岸線與各種算法提取海岸線的平均誤差，x1k表示人工手繪得到的海岸線提取結(jié)果的二值圖中第k個(gè)位置像素的像素值。x2k表示上述理論模型得到的海岸線提取結(jié)果的二值圖中第k個(gè)位置像素的像素值，n表示圖像像素?cái)?shù)。rmse值越小說(shuō)明與真實(shí)的海岸線越接近，精度越高。分別對(duì)envisat、terra和radarsat圖像進(jìn)行性能對(duì)比。實(shí)驗(yàn)圖像為envisat、terra和radarsat圖像，對(duì)比性能前提為各算法皆能有效檢測(cè)海岸線，當(dāng)算法無(wú)法有效檢測(cè)海岸線時(shí)，精度以正無(wú)窮表示，不參與對(duì)比分析。針對(duì)envisat圖像，算法的rmse對(duì)比如表1所示。尺寸gmrf超像素tmf本專利算法323×371+∞+∞0.0758374×365+∞0.06970.0658324×2380.09880.09820.0967206×2350.09940.10060.0580從上表數(shù)據(jù)可以看出對(duì)于噪聲強(qiáng)度比較大，均勻性較差的圖像gmrf算法和傳統(tǒng)超像素tmf算法無(wú)法正確識(shí)別出海岸線，gmrf算法不能解決陸地中有和海洋紋理特性很相似的區(qū)域的圖像，傳統(tǒng)超像素tmf算法在邊緣貼合度上存在缺陷。對(duì)于海面較均勻的圖像三種算法都能很好的檢測(cè)出海岸線，從本專利算法的rmse的值要小于其它算法可以看出本專利算法的精確要略高于對(duì)比算法。針對(duì)terra圖像，算法的rmse對(duì)比如表2所示。尺寸gmrf超像素tmf本專利算法115×710.12070.10440.094651×80+∞0.12910.1328126×126+∞0.11850.1094134×2120.12260.09290.0906從上述實(shí)驗(yàn)結(jié)果可以看出對(duì)于這種紋理相對(duì)簡(jiǎn)單，海面相對(duì)均勻的圖像三種算法都能處理，但是對(duì)于對(duì)比度較低的圖像，本算法依舊優(yōu)于對(duì)比算法。針對(duì)radarsat圖像，算法的rmse對(duì)比如表3所示。從上表可以看出，本算法的計(jì)算的精度要好于兩種對(duì)比算法，由于超像素比像素包含更多的信息，對(duì)這些信息的充分利用可以使得檢測(cè)結(jié)果優(yōu)于基于像素的方法，同時(shí)本算法傳統(tǒng)超像素算法中邊緣貼合度較低的問(wèn)題，因此本專利算法性能要優(yōu)于傳統(tǒng)超像素tmf算法。表4為envisat圖像對(duì)比。針對(duì)terra圖像，qa的性能指標(biāo)如表5所示。針對(duì)radarsat圖像，qa的性能指標(biāo)如表6所示。其中+∞表示使用該模型無(wú)法有效識(shí)別該圖像。其中rmse的值越小，說(shuō)明檢測(cè)出的海岸線和真實(shí)的海岸線的差別越小，識(shí)別的海岸線和真實(shí)的海岸線越接近。qa表示正確識(shí)別的像素占整個(gè)圖像的百分比，該值越大說(shuō)明正確識(shí)別的像素?cái)?shù)量越多即分割得到的海岸線越精確。通過(guò)envisat，terra和radarsat三種衛(wèi)星形成的sar圖像的檢測(cè)結(jié)果可以看出，大多數(shù)圖像本算法的檢測(cè)精確性優(yōu)于對(duì)比算法。以上所述，僅為本發(fā)明較佳的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本
技術(shù)領(lǐng)域：
的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁(yè)12